课程目录

开篇词 (1讲)

  1. 开篇词 _ 用知识去对抗技术不平等

概念篇 (3讲)

  1. 01 _ 你真的需要个性化推荐系统吗_
  2. 02 _ 个性化推荐系统有哪些绕不开的经典问题？
  3. 03 _ 这些你必须应该具备的思维模式

原理篇 · 内容推荐 (3讲)

  1. 04 _ 画鬼容易画人难：用户画像的“能”和“不能”
  2. 05 _ 从文本到用户画像有多远
  3. 06 _ 超越标签的内容推荐系统

原理篇 · 近邻推荐 (3讲)

  1. 07 _ 人以群分，你是什么人就看到什么世界
  2. 08 _ 解密“看了又看”和“买了又买”
  3. 09 _ 协同过滤中的相似度计算方法有哪些

原理篇 · 矩阵分解 (3讲)

  1. 10 _ 那些在Netflix Prize中大放异彩的推荐算法
  2. 11 _ Facebook是怎么为十亿人互相推荐好友的
  3. 12 _ 如果关注排序效果，那么这个模型可以帮到你

原理篇 · 模型融合 (3讲)

  1. 13 _ 经典模型融合办法：线性模型和树模型的组合拳
  2. 14 _ 一网打尽协同过滤、矩阵分解和线性模型
  3. 15 _ 深度和宽度兼具的融合模型 Wide and Deep

原理篇 · MAB问题 (3讲)

  1. 16 _ 简单却有效的Bandit算法
  2. 17 _ 结合上下文信息的Bandit算法
  3. 18 _ 如何将Bandit算法与协同过滤结合使用

原理篇 · 深度学习 (2讲)

  1. 19 _ 深度学习在推荐系统中的应用有哪些_
  2. 20 _ 用RNN构建个性化音乐播单

原理篇 · 其他应用算法 (3讲)

  1. 21 _ 构建一个科学的排行榜体系
  2. 22 _ 实用的加权采样算法
  3. 23 _ 推荐候选池的去重策略

工程篇 · 常见架构 (3讲)

  1. 24 _ 典型的信息流架构是什么样的
  2. 25 _ Netflix个性化推荐架构
  3. 26 _ 总览推荐架构和搜索、广告的关系

工程篇 · 常见模块 (4讲)

  1. 27 _ 巧妇难为无米之炊：数据采集关键要素
  2. 28 _ 让你的推荐系统反应更快：实时推荐
  3. 29 _ 让数据驱动落地，你需要一个实验平台
  4. 30 _ 推荐系统服务化、存储选型及API设计

工程篇 · 效果保证 (3讲)

  1. 31 _ 推荐系统的测试方法及常用指标介绍
  2. 32 _ 道高一尺魔高一丈：推荐系统的攻防
  3. 33 _ 和推荐系统有关的开源工具及框架介绍

产品篇 (3讲)

  1. 34 _ 推荐系统在互联网产品商业链条中的地位
  2. 35 _ 说说信息流的前世今生
  3. 36 _ 组建推荐团队及工程师的学习路径

结束语与参考阅读 (3讲)

  1. 加餐 _ 推荐系统的参考阅读
  2. 结束语 _ 遇“荐”之后，江湖再见
  3. 结课测试 _ 推荐系统的这些知识，你都掌握了吗？